黄世国, 洪铭淋, 张飞萍, 何海洋, 陈亿强, 李小林,*

(1.福建农林大学, 生态公益林重大有害生物防控福建省高校重点实验室, 福州 350002;2.福建农林大学, 智慧农林褔建省高校重点实验室, 福州 350002)

蝴蝶属于鳞翅目昆虫，其种类众多，人工鉴定费时费力,基于计算机视觉的昆虫自动识别则是解决这些问题的关键技术(黄世国等, 2010; 竺乐庆和张真, 2013; 竺乐庆等, 2015)。但昆虫图像中的背景会严重干扰计算机自动识别昆虫的性能(Norouzietal., 2014; Jingetal., 2020)。为了消除干扰，一些学者应用传统的图像分割方法分割出昆虫的前背景(程小梅等, 2008; 黄世国等, 2008; 刘国成等, 2015)。同时，基于深度学习的语义图像分割技术也已用于解决鳞翅目昆虫图像的自动分割问题(竺乐庆等, 2018)，其分割效果优于传统方法。这些研究主要处理昆虫标本图像数据，这些图像背景单一，目标种类数量易确定，采用基于深度学习的语义图像分割技术可以获得良好的图像分割结果。但由于蝴蝶野外栖息环境多样，拍摄的蝴蝶图像背景复杂，目标的种类数量难以确定，易造成分割准确性下降。因此，基于深度学习的语义图像分割较难解决背景复杂的蝴蝶图像的前背景分割问题。

显著性目标检测(也称为显著性目标分割)是一种二分的图像分割技术，把图像中的目标分为显著性目标和非显著性目标，不需要指定图像中目标的种类数量。传统的显著性目标检测技术一般基于人工设计的特征(如颜色、纹理和边缘梯度)及其组合……